Page 114 - 无损检测2021年第三期

邵鑫明, 等:

基于 LMD-PCA 和样本熵的瓷支柱绝缘子故障诊断

缘子的振动信号, 共得到 60 组数据, 用以验证文章 为相似 容 量) 时 前 4 个 样 本 熵 的 区 分 度 较 高。 取
提出的方法。 PCA 得到的前 4 个主 PF 分量求其样本熵, 结果如
3.2 特征参数提取 表 3 所示。
受篇幅所限, 以某一组下法兰故障为例, 对采集 表 2 各特征值贡献率及累计贡献率
的信号进行 LMD 分解, 其分解结果如图 4 所示。 主成分 特征值 贡献率 / % 累积贡献率 / %

1 2.9787 42.55 42.55

2 1.9284 27.55 70.10

3 0.9297 13.28 83.38

4 0.4320 6.17 89.55

5 0.3875 5.54 95.09

6 0.2119 3.03 98.12

7 0.1318 1.88 100
表 3 瓷支柱绝缘子前 4 个主 PF 分量的样本熵

序号 PF 1 PF 2 PF 3 PF 4

1 0.3417 0.2058 0.2683 0.3613

2 0.3671 0.2706 0.2178 0.2432

3 0.2396 0.0665 0.2049 0.3016

4 0.3450 0.0561 0.2521 0.3624
图 4 下法兰故障信号 LMD 分解结果 ︙ ︙ ︙ ︙ ︙

由图 4 可知, 下法兰故障信号经 LMD 分解得 58 0.2285 0.2564 0.3025 0.2461

到 7 个 PF 分量。采集信号 60 组, 共 420 个 PF 分 59 0.3559 0.1939 0.1123 0.1822

量( 见表 1 )。为了降低数据维度提高学习速度, 且 60 0.1960 0.2040 0.2361 0.2644
使信息损失减小, 利用主成分分析获取主 PF 分量, 对不同故障类型的样本熵进行均值化处理得到
并求其样本熵。 的样本熵均值如图 5 所示, 由于其样本熵均值具有
表 1 采集信号 LMD 分解后的 PF 分量 明显的差异性, 因此可以将样本熵作为特征量用于

序号 PF 1 PF 2 PF 3 PF 4 PF 5 PF 6 PF 7 后续的故障识别。

1 0.0039 0.0013 0.0022 0.0049 0.0024 0.0004 0.0012

2 0.0013 0.0005 0.0003 0.0004 0.0003 0.0003 0.0004

3 0.0007 0.0001 0.0006 0.0012 0.0014 0.0016 0.0013

4 0.0016 0.0001 0.0007 0.0027 0.0005 0.0005 0.0002
︙ ︙ ︙ ︙ ︙ ︙ ︙ ︙

58 0.9866 0.2652 0.1166 0.2400 0.2541 0.7290 0.9548

59 0.0893 0.0954 0.1227 0.1517 0.2029 0.2621 0.2495

60 0.3408 0.4208 0.5931 0.3897 0.5661 0.5930 0.5519

由计算得特征值λ 。 λ= [ 2.9787 , 1.9284 , 0. 图 5 主 PF 分量的样本熵均值柱状图

9297 , 0.4320 , 0.3875 , 0.2119 , 0.1318 ], 再求各
3.3 模式识别
特征值的贡献率及累计贡献率, 其结果如表 2 所示。
瓷支柱绝缘子采集的信号样本有限, 属于小样
本次分析选择累计贡献率不小于 85% , 故用作 本。支持向量机在解决小样本时与其他模式识别方
故障诊断的 PF 分量只保留前 4 个特征向量即可满 法相比更具有优势 [ 19-20 ] 。从 3 种故障类型中, 每种
足要求。 类型选 15 组数据, 共 45 组数据作为训练样本; 剩余
分别计算不同状态下 PF 分量的样本熵, 经过 15组数据作为测试样本。支持向量机( SVM ) 是一

多次计算可得, 当 m=1 , r=0.4 ( m 为嵌入维数, r 个二分类器, 其在 3 种状态下, 构造 3 个 SVM , 形成
7
2
2021 年 第 43 卷 第 3 期

无损检测